一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法

摘要

本发明公开了一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法，首先，进入输入数据预处理环节，通过数据输入接口机获得典型负荷点和相应的排烟氧量和炉膛压力信号的特性样本集；然后进入样本数据熵分析环节，计算排烟氧量和炉膛压力信号在对应工况下奇异谱熵和功率谱熵；然后，将求得的熵值信号和对应的负荷工况点作为训练数据集构造PNN锅炉燃烧工况识别模型；最后将结果输出到客户端参与优化运行指导和状态检测。本发明不仅可以解决炉内过程状态表征的问题，而且能更及时准确地反映锅炉运行性能属性，避免虚假数据或者错误数据给运行人员带来的误指导，同时能为电厂监测信息系统的锅炉运行优化、状态监测与故障诊断等高级功能模块提供可参考模型。

说明书

技术领域

本发明涉及一种基于锅炉信息熵特征和概率神经网络的锅炉燃烧工况识别方法，属于机器学习建模领域。 

背景技术

机器学习是从已知样本数据或信息中通过挖掘、归纳、演绎、类比等方法获取知识的手段和机制，其目的就是根据设计的某种方法或算法，对事先给定的训练样本进行学习，然后求取对某系统输入输出之间依赖关系的估计，并使该估计能够较好的对未知输出作出尽可能准确的预测或对其性质进行判断。概率神经网络（Probabilistic Neural Networks，PNN）由D.F.Specht博士在1989年首先提出，是一种基于贝叶斯分类规则与Parzen窗的概率密度函数估计方法发展而来的并行算法，也是一类结构简单、训练简洁、应用广泛的人工神经网络。在实际应用中，尤其是在解决分类问题的应用中，用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度。PNN网络对应的权值就是模式样本的分布，因而能够满足实时处理的要求。 

大型电站煤粉锅炉的燃烧过程是一个复杂的非线性时变过程，实际运行时会受到锅炉形式、燃用煤种、制粉系统形式及运行方式以及配风方式等因素的影响，因此往往难以建立精确的过程机理模型，从而为锅炉燃烧监测与性能优化带来了困难，常常需要寻找表征炉内实时状态的有效方法，以完成炉内过程的实时监测、趋势判断和运行优化。因此对炉膛燃烧工况准确建模对锅炉燃烧监测与性能优化具有重大意义。 

锅炉燃烧过程复杂多变，选取和锅炉燃烧工况模切相关的参数是建模的重点。锅炉燃烧工况发生变化时，主汽压力、排烟氧量以及炉膛压力等信号之间作为模型输入，将和实际工况背离较大。用信息熵理论中描述系统过程的特征参量对典型工况下锅炉燃烧相关信号进行计算分析，可以获得信息熵特征随锅炉燃烧工况变动的趋势性规律。 

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于锅炉信息熵特征和概率神经网络的锅炉燃烧工况识别方法。 

技术方案：为解决上述技术问题，本发明提供的一种基于锅炉信息熵特征和概率神经网络的锅炉燃烧工况识别方法，包括以下步骤： 

（1）来自DCS的现场数据通过“网络交换机”进入“数据输入接口机”，进入输入数据预处理环节，通过数据输入接口机获得典型负荷点和相应的排烟氧量和炉膛压力信号的特性样本集，每种工况取n个样本进行分析： 

D={x₁,x₂,x₃,...x_L;y₁,y₂,y₃,...y_L}下标L为样本个数，并将特性样本集作为计算样本集； 

（2）进入样本数据熵分析环节，计算排烟氧量和炉膛压力信号在对应工况下奇异谱熵和功率谱熵： 

①对上述样本各个负荷点的数据求解奇异谱熵： 

对于给定的离散时间序列信号{x_iory_i|i＝1,2,...,n}，给定嵌套维数m(m＜n/2)，构造嵌入空间的时滞矩阵A， 

$A=\left(\begin{array}{cccc}{x}_1& x_2& ...& x_{n-m+1}\\ x_2& x_3& ...& x_{n-m+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_m& x_{m+1}& ...& x_n\end{array}\right)---\left(1\right)$

对矩阵A进行奇异值分解，计算得奇异值为λ₁≥λ₂≥…≥λ_m，设k为非零奇异值的个数，则k值反映了时滞矩阵中包含的不同模式的数目； 

②对上述样本各个负荷点的数据求解功率谱熵： 

通过离散傅里叶变换得到频谱X(k)和功率谱S_k(k＝1,2,...n)。S_k可以看作是原始信号在频域空间的一种能量划分，则可定义信号的功率谱熵H_f， 

$H_f=-\underset{k=1}{\overset{n}{\Sigma }}{p}_k\log p_k---\left(2\right)$

式中p_k——第k个功率谱在整个功率谱中所占的比例，表示第k个频率能量的组分概率，为时域离散信号{x₁,x₂,...,x_n}的傅里叶变换为X(ω)的功率谱估计的定义式； 

（3）将步骤（2）求得的熵值信号和对应的负荷工况点作为训练数据集构造PNN锅炉燃烧工况识别模型，排烟氧量和炉膛压力的奇异谱熵以及炉膛压力的功率谱熵作为PNN神经网络的输入，对应的工况种类作为输出，对PNN模型进行训练和测试： 

①将训练样本和待识别样本进行归一化后送入网络输入层； 

②将归一化以后的训练样本W和待识别样本X送入模式层，完成点积运算z_i＝(X-W_i)^Τ(X-W_i)， 

式中z_i——第i个模式层节点的输出， 

W_i——第i个训练样本向量； 

③在求和层中，依据Pazen窗函数法计算各类别的概率密度并求和，得到求和层的输出$y_k=\frac{1}{N_k}\underset{j=1}{\overset{N_k}{\Sigma }}\exp [-\frac{z_j}{{2\sigma }^2}],$

式中N_k——隶属于第k类的训练样本数， 

σ——平滑因子； 

④在输出层采用竞争函数，根据贝叶斯分类规则判别式，输出最大的模式即为X所 属的类别； 

最终实时获得PNN模型，可用于锅炉运行状态识别； 

（4）将结果输出到客户端参与优化运行指导和状态检测。 

进一步的，所述步骤2中奇异值谱{λ_i}可看作是对信号在时域中的一种划分，由此可以根据信息熵的思想计算时域信号的奇异谱熵，计算步骤如下： 

（1）选取嵌套维数m，将时域信号序列{x_i|i＝1,2,...,n}顺序截取，得到式(1)所示的时滞矩阵； 

（2）计算矩阵A的奇异值谱λ_i(i＝1,2,...k)； 

（3）将奇异值谱λ_i(i＝1,2,...k)代入式(2.24)得到奇异谱熵H_t， 

$H_t=-\underset{k=1}{\overset{k}{\Sigma }}{p}_i\log p_i,---\left(3\right)$

式中p_i——第i个奇异值在整个奇异值谱中所占的比例，表示第i个模式的组分概率。 

发明原理：本发明公开了本发明一种基于锅炉信息熵特征和概率神经网络的锅炉燃烧工况识别方法，对于电站煤粉锅炉运行状态特性，以氧量信号和炉膛压力信号作为参变量，应用信息熵理论对锅炉燃烧过程的特性进行了研究。应用奇异谱熵和功率谱熵特征参量表征锅炉各种工况下的炉内过程，获取炉内过程的信息熵特征参量随锅炉燃烧工况变动的趋势性规律，并采用概率神经网络即PNN网络，建立了锅炉燃烧工况识别模型。 

有益效果：本发明不仅可以解决炉内过程状态表征的问题，而且能更及时准确地反映锅炉运行性能属性，避免虚假数据或者错误数据给运行人员带来的误指导，同时能为电厂监测信息系统的锅炉运行优化、状态监测与故障诊断等高级功能模块提供可参考模型。 

附图说明

图1是本发明的流程示意图。 

图2是PNN网络的训练结果和误差示意图。 

具体实施方式

下面结合附图和实施例对本发明作更进一步的说明。 

实施例：如图1所示，一种基于锅炉信息熵特征和概率神经网络的锅炉燃烧工况识别方法，所述步骤包括： 

（1）来自DCS的现场数据通过“网络交换机”进入“数据输入接口机”，进入输入数 据预处理环节，通过数据输入接口机获得典型负荷点和相应的排烟氧量和炉膛压力信号的特性样本集，每种工况取n个样本进行分析： 

D={x₁,x₂,x₃,...x_L;y₁,y₂,y₃,...y_L}下标L为样本个数，并将特性样本集作为计算样本集； 

（2）进入样本数据熵分析环节，计算排烟氧量和炉膛压力信号在对应工况下奇异谱熵和功率谱熵： 

①对上述样本各个负荷点的数据求解奇异谱熵： 

对于给定的离散时间序列信号{x_iory_i|i＝1,2,...,n}，给定嵌套维数m(m＜n/2)，构造嵌入空间的时滞矩阵A， 

$A=\left(\begin{array}{cccc}{x}_1& x_2& ...& x_{n-m+1}\\ x_2& x_3& ...& x_{n-m+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_m& x_{m+1}& ...& x_n\end{array}\right)---\left(1\right)$

对矩阵A进行奇异值分解，计算得奇异值为λ₁≥λ₂≥…≥λ_m，设k为非零奇异值的个数，则k值反映了时滞矩阵中包含的不同模式的数目，奇异值谱{λ_i}可看作是对信号在时域中的一种划分，由此可以根据信息熵的思想计算时域信号的奇异谱熵，计算步骤如下： 

（1）选取嵌套维数m，将时域信号序列{x_i|i＝1,2,...,n}顺序截取，得到式（1）所示的时滞矩阵； 

（2）计算矩阵A的奇异值谱λ_i(i＝1,2,...k)； 

（3）将奇异值谱λ_i(i＝1,2,...k)代入式(2.24)得到奇异谱熵H_t， 

$H_t=-\underset{k=1}{\overset{k}{\Sigma }}{p}_i\log p_i,---\left(3\right)$

式中p_i——第i个奇异值在整个奇异值谱中所占的比例，表示第i个模式的组分概率。 

②对上述样本各个负荷点的数据求解功率谱熵： 

通过离散傅里叶变换得到频谱X(k)和功率谱S_k(k＝1,2,...n)。S_k可以看作是原始信号在频域空间的一种能量划分，则可定义信号的功率谱熵Hf， 

$H_f=-\underset{k=1}{\overset{n}{\Sigma }}{p}_k\log p_k---\left(2\right)$

式中p_k——第k个功率谱在整个功率谱中所占的比例，表示第k个频率能量的组分概率，为时域离散信号{x₁,x₂,...,x_n}的傅里叶变换为X(ω)的功率谱估计的定义式； 

（3）将步骤（2）求得的熵值信号和对应的负荷工况点作为训练数据集构造PNN锅炉燃烧工况识别模型，排烟氧量和炉膛压力的奇异谱熵以及炉膛压力的功率谱熵作为PNN神经网络的输入，对应的工况种类作为输出，对PNN模型进行训练和测试： 

①将训练样本和待识别样本进行归一化后送入网络输入层； 

②将归一化以后的训练样本W和待识别样本X送入模式层，完成点积运算z_i＝(X-W_i)^Τ(X-W_i)， 

式中z_i——第i个模式层节点的输出， 

W_i——第i个训练样本向量； 

③在求和层中，依据Pazen窗函数法计算各类别的概率密度并求和，得到求和层的输出$y_k=\frac{1}{N_k}\underset{j=1}{\overset{N_k}{\Sigma }}\exp [-\frac{z_j}{{2\sigma }^2}],$

式中N_k——隶属于第k类的训练样本数， 

σ——平滑因子； 

④在输出层采用竞争函数，根据贝叶斯分类规则判别式，输出最大的模式即为X所属的类别； 

最终实时获得PNN模型，可用于锅炉运行状态识别； 

（4）将结果输出到客户端参与优化运行指导和状态检测。 

在本实施例中，从所研究的1000MW机组中取40组数据样本作为PNN神经网络的训练样本，其中8种燃烧工况对应的样本各5组。建立的PNN分类模型的输入层有3个节点，对应3维信息熵特征向量，模式层有40个节点，对应40个训练样本数，求和层和输出层有8个节点，对应8种燃烧工况模式。表1给出了8种燃烧工况模式及其对应的描述，表2则列出了部分训练样本。 

表1工况模式及描述 

表2训练样本的信息熵特征 

如图2所示，采用上述数据作为训练样本对PNN网络进行的训练，训练结果显示所建PNN网络可对所有样本进行正确分类。 

测试结果表明，PNN分类模型对负荷稳定工况、负荷波动工况以及点火、停炉工况具有很高的识别准确率。 

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。